我正在寻找一种在图片中检测人类的方法。比如下面这张图，我想粗略的判断一下场景中有多少人。我必须能够检测到站着和坐着的人。我不介意不检测位于物理对象（例如公共汽车图片中的玻璃）后面的人。
AFAIK，通过训练深度神经网络可以很容易地解决这样的问题。但是，我的同事希望我也实现基于通用图像处理技术的检测技术。我花了几天时间寻找研究人员设计的技术，但除了基于显着性的技术之外我找不到任何其他技术（这可能很好，但我想测试几种基于老式图像处理的技术）。
我对图像的性质有严格的限制，例如亮度：无论它们是在白天还是晚上拍摄的，照片都会有非常不同的特征（例如，图像对比度可能会有很大差异）。
长话短说，考虑到图像携带的信息差异很大，我想知道是否确实存在一些现有的分割技术，试一试会很有趣？
用于人体检测的流行特征描述符之一是 HOG- Histogram of Oriented Gradients。通常你会训练一个分类器来识别人类和非人类，然后你会实现一个滑动窗口技术。HOG 在 Python 社区的大多数科学库中都有实现，例如在 skimage 中有一个示例here，我在这里复制它，因为链接总是会损坏：
import matplotlib.pyplot as plt
from skimage.feature import hog
from skimage import data, exposure
image = data.astronaut()
fd, hog_image = hog(image, orientations=8, pixels_per_cell=(16, 16),
cells_per_block=(1, 1), visualize=True, multichannel=True)
fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(8, 4), sharex=True, sharey=True)
ax1.axis('off')
ax1.imshow(image, cmap=plt.cm.gray)
ax1.set_title('Input image')
# Rescale histogram for better display
hog_image_rescaled = exposure.rescale_intensity(hog_image, in_range=(0, 10))
ax2.axis('off')
ax2.imshow(hog_image_rescaled, cmap=plt.cm.gray)
ax2.set_title('Histogram of Oriented Gradients')
plt.show()